人工智慧核心概念對比

科技 10-09

1新智元編譯

作者：Robin Bordoli

來源：crowdflower

如果你是一名企業主管（而不是數據科學家或機器學習專家），你可能已經從主流媒體的報道中接觸過人工智慧。你可能在《經濟學人》和《名利場》讀過相關文章，或讀過有關Tesla自動駕駛的故事，或史蒂芬·霍金寫AI對人類的威脅的文章，甚至還看過有關人工智慧和人類智能的諷刺漫畫。

所以，如果你是關心你的企業發展的高管，這些有關AI的媒體報道可能會引出兩個惱人的問題：

第一，AI的商業潛力是真是假？

第二，AI如何應用於我的產品？

第一個問題的答案是肯定的，AI具有商業潛力。今天，企業已經能應用AI改變需要人類智能的自動作業流程。AI能讓人力密集型企業處理的工作量增加100倍，同時把單位經濟效益降低90%。

回答第二個問題需要多一點時間。首先，我們必須消除主流媒體宣傳的AI神話。只有消除這些誤解，你才能對怎樣應用AI到你的業務中有一個框架。

神話1：AI是魔術

許多主流媒體把AI的描述得想魔術一般神奇，好像我們只需要對谷歌、Facebook、蘋果、亞馬遜和微軟這些大公司的高級魔術師使勁鼓掌。這種描述是幫倒忙。如果我們希望企業採用AI，那麼我們就需要讓企業家們理解AI。AI並不是魔術。AI是數據、數學、模型以及迭代。要想讓AI為企業接受，我們需要更加透明，以下是3個有關AI的關鍵概念的解釋：

訓練數據（TD）：訓練數據是機器學習的初始數據集。訓練數據包括輸入和預回答輸出，所以機器學習模型能夠為任何給定輸出尋找模式。例如，輸入可以是帶有客戶和企業支持代表（CSR）間的電子郵件線程的客戶支持ticket，輸出可以是基於企業特定分類定義的從1到5的分類標籤。

機器學習（ML）:機器學習是能從訓練數據中學習模式，並讓這些模式應用於新的輸入數據的軟體。例如，接收到帶有客戶和CSR間的電子郵件線程的一個新的客戶支持ticket時，機器學習模型能預測它的分類，並告訴你它對這個預測的置信度。機器學習的主要特點是它學習新的、而非適用固有的規則。因此，它能通過消化新的數據調整自己的規則。

Human-in-the-Loop(HITL)：Human-in-the-Loop是AI的第三個核心要素。我們不能指望機器學習模型絕對可靠。一個好的機器學習模型可能只有70%的準確率。因此，當模型的置信度較低時，就需要人使用Human-in-the-Loop作業流程。

所以，不要被AI是魔術的神話所迷惑。理解AI的基礎公式是：AI=TD+ML+HITL。

人工智慧核心概念對比

神話2：AI只為技術精英專屬

媒體報道很容易讓人產生一種錯覺，就是AI只屬於技術精英——大公司例如Amazon，Apple，Facebook，Google，IBM，Microsoft，Salesforce，Tesla，Uber——只有它們能夠組建大型機器學習專家團隊，並獲得億美元級的投資。這種觀念是錯的。

今天，不用10萬美元就能著手應用AI到你的業務中。所以，如果你是美國收益大於5000萬美元的26000家企業之一，你就可以把收益的0.2%投資於AI應用了。

所以，AI不是技術精英專屬。它屬於每個企業。

人工智慧核心概念對比

神話3：AI只為解決十億美元級別的問題

主流媒體的傾向於報道未來主義的事物，例如自動駕駛汽車或用於運送快遞的無人飛機。像Google，Tesla，Uber這些公司由於「贏者通吃」的心態，為了搶佔未來無人車市場的龍頭老大地位，已經投資進去數百億美元。這些給人的印象是AI只用於解決十億美元級別的新問題。但這又是一個錯誤。

AI也應用於解決現存的較小的問題，例如百萬美元級別的問題。讓我解釋一下：任何一個企業的核心需求都是理解客戶。從古希臘的agora市集和古羅馬的個人買賣廣場就是如此。今天也是如此，哪怕生意買賣爆發性地轉移到了互聯網上。許多企業坐擁來自客戶的非結構化數據寶藏，這些數據來自電子郵件線程或Twitter評論。AI能應用於這些分類支持ticket的挑戰，或用於理解推文情緒。

所以，AI不僅能應用於十億美元級別的令人興奮的新問題，例如自動駕駛汽車。AI也用於現存的「無趣」的小問題，例如通過支持ticket分類或社交媒體情緒分析更好地理解客戶。

人工智慧核心概念對比

神話4：演算法比數據更重要

主流媒體中有關AI的報道傾向於認為機器學習演算法是最重要的要素。它們似乎把演算法等同於人類大腦。它們暗示正是演算法讓魔術發生作用，更精細複雜的演算法能超越人類大腦。有關機器在國際圍棋和象棋中戰勝人類的報道就是例子。媒體關注的是「深度神經網路」、「深度學習」以及機器如何做決定。

這樣的報道可能帶給企業這樣的印象：想要應用AI，他們得先聘請到機器學習專家來建一個完美的演算法。但假如企業不考慮怎樣獲得更高質量、更大量的定製訓練數據以讓機器學習模型學習，就算有了完美的演算法也可能得不到理想的效果（「我們有超棒的演算法」和「我們的模型只有60%的準確率」間的落差）。

從Microsoft，Amazon和Google這些公司購買商用機器學習服務，卻沒有一個訓練數據規劃或預算，就好比買了一輛汽車，卻沒法到達加油站。你只是買了一大塊很貴的金屬而已。汽車和汽油的類比雖然不夠恰當，因為如果你給機器學習模型補給越多的訓練數據，模型就能變得越好。這就像汽車每用完一箱汽油，積累的里程數越大。所以訓練數據甚至比汽油更重要。了解更多可以閱讀我們此前的文章：More data beats better algorithms （https://www.crowdflower.com/more-data-beats-better-algorithms/）

所以，訓練數據的質量和數量至少是與演算法同等重要的。

人工智慧核心概念對比

神話5：機器＞人

過去30年來，媒體一直喜歡把AI描述為比人類強大的機器，例如《終結者》的施瓦辛格和《Ex Machina》的Alicia Vikander。媒體這樣做也可以理解，因為媒體想建立起機器和人類之間誰會贏的簡單敘述結構。但是，這和實際情況不符。

例如，最近Google的DeepMind/AlphaGo戰勝李世石的新聞被媒體簡單描述成機器戰勝了人類。這是不準確的，真實情況不是這樣簡單。更準確的描述應該是「機器聯合許多人戰勝了一個人」。

人工智慧核心概念對比

消除這種誤解的核心理由是機器和人類具有互補的能力。請看上圖。機器的特長是處理結構化計算，他們會在「找出特徵矢量」任務上表現良好。而人類的特長是理解意義和上下文，他們在「找出豹紋連衣裙」任務上表現良好，讓人類做「找出特徵矢量」的任務就不那麼容易了。

因此，對企業來說正確的框架是實現機器和人的互補，AI是機器和人的共同工作。

人工智慧核心概念對比

神話6：AI就是機器取代人類

主流媒體喜歡描繪反烏托邦的未來，因為它們認為這能吸引眼球。這樣或許確實能吸引讀者眼球，但是，它對真正理解機器和人類如何共同工作沒有一點幫助。

人工智慧核心概念對比

例如，讓我們再回到企業分類支持ticket的業務上來。在現今的大多數企業，這還是100%人工的過程。所以，這個過程又慢成本又高，能做的數量受到限制。假設你在分類了10000個支持ticket之後得到了一個準確率為70%的模型。30%的時候結果錯誤，但這時Human-in-the-loop就可以介入了。你可以把可接受置信度設置為95%，只接受置信度是95%或高於95%的輸出結果。那麼機器學習模型最初就只能做一小部分工作，比如說5%-10%。但是當模型得到新的人工標記數據時，它就能學習、進步。因此，隨著時間的推移，模型能處理更多的客戶支持ticket分類工作，企業也能大大增加分類的ticket量。

人工智慧核心概念對比